[发明专利]基于多视角主动学习的在线半监督分类方法及系统

说明书

本发明涉及一种基于多视角主动学习的在线半监督分类方法及系统，所述在线半监督分类方法包括：步骤S1：获取当前时刻的多视角数据；步骤S2：基于所述多视角数据，通过多视角预测函数，估计视角数据的地物类别标签及次大标签t表示当前时刻；步骤S3：根据所述地物类别标签及次大标签确定分类间隔q_t；步骤S4：根据所述分类间隔q_t，对分类器进行更新。本发明基于多视角主动学习的在线半监督分类方法在线获取任意时刻的多视角数据，利用分类间隔，对分类器进行更新，可提高分类效率，节省人力，实现了少量样本标注时的高精度分类。

技术领域

本发明涉及机器学习技术领域，特别涉及一种基于多视角主动学习的在线半监督分类方法及系统。

背景技术

随着信息技术的不断发展，从不同信息源、空间及模态获取到的数据越来越丰富，这些不同属性的数据构成多视角数据集。与单视角学习相比，多视角学习可发掘各视角有用特征来改善学习能力，因此多视角学习受到广泛的关注。

在线学习能够有效处理实时数据流和大规模数据，是机器学习领域的一个研究热点。在线学习可以从数据流中增量地学习分类模型并且不重复使用之前的样本，适用于动态增长和大规模数据集。

近年来，在线学习引起了越来越多的关注和重视，现有的方法包括感知器算法、在线被动攻击(Passive attack，PA)算法和基于凸包顶点选择的支持向量机方法。

PA算法因为性能好、可扩展性强、计算成本低而被广泛应用。然而，PA算法只适用于单视角数据。为此，Nie等提出一种多视角PA算法，其利用了视角间的一致性和互补性有效提升了分类精度。然而，上述两种方法在应用中有很大局限性，首先它们都属于被动学习方法，即需要获取每个样本的类标签；另外，类别数目需要固定并且事先知道，对动态变化数据并不适用。

大数据为机器学习提供了丰富的原材料，这些海量的数据大部分是未标注的，而人工标注样本往往代价昂贵。主动学习的主要思想是挑选部分最有价值的数据进行标注，以实现在尽可能少的样本标记下获取尽可能高的精度。在此我们主要研究在线主动学习问题，其数据是以流的形式一个一个到达的。基于感知器的主动(PEA)学习方法仅使用错误分类的样本来更新分类模型，基于PA和随机规则的在线主动(PAA)学习算法对错误分类或具有低预测置信度的正确分类的样本都进行分类器更新。PAA解决了监督被动在线学习算法需要向每个新实例请求标签的问题。然而，主动学习规则是针对单视图数据而设计的，并且没有预先筛选的过程，导致筛选过程复杂、分类效率低。

发明内容

为了解决现有技术中的上述问题，即为了在线根据数据标签类别进行分类，以提高分类效率，本发明提供了一种基于多视角主动学习的在线半监督分类方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于多视角主动学习的在线半监督分类方法，所述在线半监督分类方法包括：

步骤S1：获取当前时刻的多视角数据；

步骤S2：基于所述多视角数据，通过多视角预测函数，估计视角数据的地物类别标签及次大标签t表示当前时刻；

步骤S3：根据所述地物类别标签及次大标签确定分类间隔q_t；

步骤S4：根据所述分类间隔q_t，对分类器进行更新。

可选地，所述多视角数据包括极化特征、颜色特征、纹理特征；其中，

所述极化特征包括从极化合成孔径雷达SAR数据中提取的原始特征和基于极化分解的特征；

所述颜色特征包括伪彩色图像元素、主导颜色权重及HSV图像和其直方图；

所述纹理特征包括局部二值模式直方图，灰度共生矩阵，Gabor和小波变换系数。